Grafana Labs føjer AI-overvågere og agenter, der retter kode, til sin observerbarhedsplatform

Grafana Labs udvider Grafana Cloud med AI-agenter, der holder øje med nye problemer, værktøjer, der forbereder kodeændringer til menneskelig gennemgang, og en fælles vidensgraf, der forbinder fejl i infrastrukturen med de brugere, de påvirker. Funktionerne blev annonceret på ObservabilityCON 2026 og imødekommer to stadig tættere forbundne behov: at bruge AI til at drive software og at overvåge de AI-systemer, der sættes i produktion.

Udrulningen kombinerer funktioner, der er generelt tilgængelige, med offentlige og private forhåndsvisninger. Assistant Watchers og Agent Observability med OpenTelemetry-understøttelse er generelt tilgængelige, mens Grafana Cloud Agents lanceres i offentlig forhåndsvisning. Samtidig introducerer Grafana hurtigere logsøgninger, flere muligheder for at styre telemetriomkostninger og en kommerciel markedsplads for plugins.

Det grundlæggende spørgsmål er, hvor langt et driftsteam bør lade en agent gå. Det har forskellige konsekvenser at finde et usædvanligt mønster, forklare en fejl og ændre kode i produktion. Grafanas annoncering bringer disse trin tættere på hinanden, samtidig med at mennesker fortsat skal godkende foreslåede kodeændringer.

Fra overvågning af telemetri til forslag til rettelser

Assistant Watchers gør det muligt for teams at beskrive med almindeligt sprog, hvad de vil have overvåget. I stedet for udelukkende at basere sig på en foruddefineret tærskel lærer en Watcher mønstre fra telemetrien og fremhæver tegn på, at mønstrene ændrer sig. Resultaterne sendes gennem Grafana Alerting, som allerede findes, og et kritisk fund kan igangsætte en mere dybtgående undersøgelse.

Det bygger videre på Grafana Assistant, virksomhedens indbyggede agent til at stille spørgsmål om driftsdata. Assistant Investigations, der har været generelt tilgængelig siden juli, kan gennemføre længere undersøgelser, som sættes i gang af alarmer eller hændelser. De nye Watchers giver endnu et udgangspunkt: en ændring under udvikling, som et team måske endnu ikke har omsat til en alarmregel.

Grafana Cloud Agents tilføjer et kontrolleret cloudmiljø, hvor Assistant kan undersøge kode i et kodelager sammen med live-telemetri, forberede et forslag til en rettelse og oprette en pull request. Den offentlige forhåndsvisning begrænser sig til en ændring, som en person kan gennemgå og godkende. En sandsynlig diagnose og en fungerende programrettelse skal stadig valideres i forhold til applikationens krav og udrulningsproces.

Det er vigtigt, fordi en agent kan give en overbevisende forklaring uden at have tilstrækkeligt belæg. Når hvert fund forbindes med telemetri, får ingeniørerne noget konkret at undersøge, mens en pull request giver dem et velkendt kontrolpunkt, hvor de kan gennemgå selve ændringen.

Overvågning af selve agenterne

Den anden del af annonceringen handler om AI-arbejdsbelastninger, der allerede kører i applikationer. Den generelt tilgængelige OpenTelemetry-understøttelse i Agent Observability gør agentaktivitet synlig gennem den samme åbne standard for instrumentering, som bruges til andre tjenester.

Grafanas produktdokumentation for Agent Observability beskriver afspilning af samtaler på tværs af prompts, værktøjskald og svar samt oplysninger om svartider, tokenforbrug, modelomkostninger, evalueringer og eksperimenter. Det kan hjælpe teams med at skelne mellem et dyrt modelkald og en langsom efterfølgende tjeneste eller undersøge et fald i kvaliteten, efter at en prompt eller et værktøj er blevet ændret.

Infrastrukturens tilstand og kvaliteten af svar kræver forskellige målinger. En tjeneste kan fortsat være tilgængelig, selvom en agent bruger det forkerte værktøj eller giver et dårligt svar. Ved at kombinere driftstelemetri med evalueringer får ingeniørerne flere forhold, de kan undersøge; det betyder ikke, at enhver kvalitetsvurdering bliver automatisk.

En vidensgraf, der forbinder symptomer med konsekvenser

Grafana føjer også en Knowledge Graph til alle Grafana Cloud-stakke. Kontekstlaget ved kørsel forbinder applikationer, databaser, cloudtjenester, Kubernetes-infrastruktur og telemetri fra brugerrettede tjenester. Teams kan tilføje brugerdefinerede entiteter og relationer, der repræsenterer de produkter eller forretningssystemer, som er relevante for dem.

Brugerdefinerede entiteter og kontekst for agenter ved kørsel er generelt tilgængelige. En ny mulighed for at forespørge med Cypher gør det muligt for agenter at hente relationer fra grafen, og Grafana oplyser, at Assistant og agenter, der er forbundet via gcx, kan tilgå denne kontekst. Formålet er at genbruge en etableret oversigt over afhængigheder i stedet for at genskabe den ud fra rå logfiler under hver undersøgelse.

Grafanas eksisterende dokumentation for Cloud MCP-serveren giver nyttig indsigt i virksomhedens tilgang til eksterne agenter. Den hostede server gør det muligt for kompatible klienter at forespørge Grafana-data med OAuth-godkendelse, og adgangen begrænses af brugerens Grafana-tilladelser. Deling af driftskontekst på tværs af værktøjer afhænger derfor også af de tilladelser og begrænsninger, der er konfigureret for disse data.

Flere udvidelser er stadig i forhåndsvisning. Et tjenestekatalog med oplysninger om ejerskab, Mobile Observability, Critical User Journeys og Operational Context with Knowledge Graph er i privat forhåndsvisning. Session Replay og Grafana Workflows er i offentlig forhåndsvisning. Response Console, der samler menneskelige beredskabsmedarbejdere og agenter i et fælles arbejdsområde til håndtering af hændelser, er i privat forhåndsvisning.

Disse forskelle har betydning for, hvordan løsningen indføres. Et team kan allerede nu bygge videre på de generelt tilgængelige grafmuligheder, men bør særskilt vurdere adgangen til forhåndsvisningerne og hvor modne de er, før det bliver afhængigt af den bredere arbejdsgang til håndtering af hændelser.

Mere telemetri gør omkostningsstyring til en del af AI-stakken

Agenter genererer yderligere aktivitet, der skal undersøges: modelanmodninger, værktøjskald, kodeændringer og adfærden hos de applikationer, de påvirker. Et andet fokus i lanceringen er at bevare nytten af disse oplysninger uden at skulle gemme hvert eneste signal til fuld pris.

Grafana Cloud Logs får forbedringer af fuldtekstsøgningen, som nu er generelt tilgængelige, og som bygger på teknologi fra Logline, som Grafana opkøbte i april 2026. Ifølge Grafana gør ændringerne søgninger efter sjældne værdier, såsom anmodnings-id’er, hurtigere i objektlager – uden ekstra omkostninger. Det er især relevant ved undersøgelser, hvor man leder efter én bestemt hændelse frem for en samlet tendens.

Adaptive Logs Archive, som er i offentlig forhåndsvisning, sender logdata til en kundeejet objektlagerbucket i et åbent format. Adaptive Metrics Auto-Apply, som er generelt tilgængelig, anvender automatisk anbefalinger til reduktion af kardinalitet, og Cost Mode er beregnet til at forhindre en stigning i det samlede antal aktive serier. En anden opdatering, der nu er generelt tilgængelig, gør det muligt for udviklere at hente spor efter id fra de foregående 24 timer, selv når Adaptive Traces har droppet dem.

Afvejningen handler både om drift og økonomi: Valg af opbevaringsperiode og sampling afgør, hvilke beviser der stadig er tilgængelige efter et nedbrud. Kundeejede arkiver og et fastlagt tidsvindue for hentning af spor giver teams flere muligheder, men de har stadig brug for politikker, der passer til deres behov for undersøgelser og overholdelse af regler.

En kommerciel markedsplads og en afmålt vej mod autonomi

Den generelt tilgængelige Grafana Marketplace føjer betalte plugins fra verificerede partnere til det eksisterende pluginøkosystem. Grafana Cloud-kunder med et betalingsabonnement kan starte en prøveperiode på 14 dage og derefter abonnere månedligt via deres eksisterende faktura. Partnerne yder support til plugins, mens Grafana håndterer faktureringen. Den eksisterende distribution af gratis plugins fortsætter.

Meddelelserne kommer samtidig med 2026 State of Observability Report fra Grafana Labs og ETR, som bygger på svar fra 300 IT- og teknologiledere. Ifølge pressemeddelelserne har 68 % taget AI til observerbarhed videre end undersøgelsesfasen og ind i pilotprojekter eller produktion. Flere er markant trygge ved undersøgelser, der kun læser data, med 85 %, end ved fuldt autonom afhjælpning, med 52 %.

Svarene i undersøgelsen beskriver udbredelse og holdninger, men dokumenterer ikke pålideligheden af de netop annoncerede værktøjer. De forklarer dog, hvordan udrulningen er tilrettelagt: Automatisér registrering og undersøgelse, stil en fælles oversigt over afhængigheder til rådighed, og sørg for, at foreslåede handlinger kan gennemgås. For tekniske teams bliver den praktiske prøve, om denne kombination giver bedre dokumentation og færre gentagne undersøgelser, samtidig med at ansvaret for væsentlige ændringer er tydeligt.